# 影片筆記：一个工具搞定视频下载、字幕提取和AI分章（大二开源本地项目实机演示）


<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->
## ⚠️ 全文快速校讀發現待確認修正

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

- 待修正：⚠️ 全文快速校讀：已套用暫定修正，請確認（segment=7 已先套用暫定修正：第二種是直接運行Bet腳本。 → 第二種是直接運行Bat腳本。；segment=10 已先套用暫定修正：就是需要先將Python3.10添加到。 → 就是需要先將Python3.10添加到系統環境變量中。）
- 待修正：逐字稿可先使用，但有待校正清單（segment=47 rapid_semantic_review: 全文速讀上下文判斷；尚未回聽或交叉比對；segment=102 rapid_semantic_review: 全文速讀上下文判斷；尚未回聽或交叉比對）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

## 一句話總結

講者實機演示了一個由大二學生開發的開源本地視頻一體化工具，該工具整合了多平台視頻下載、基於本地 Whisper 模型的字幕提取、自動章節劃分、關鍵詞定位、基於本地 Ollama 大模型的 AI 問答以及圖片格式轉換功能，強調完全本地運行、無需依賴在線 API 的特性。

## 核心重點

1.  **本地化與隱私**：核心賣點為完全本地運行，使用 CPU 運算及本地 Ollama 大模型，無需調用在線 API，適合無網絡環境或注重隱私的用戶。
2.  **功能整合**：單一工具涵蓋視頻下載（支援 B站、抖音、小紅書、微博）、字幕處理（提取、分章、關鍵詞定位）、AI 問答及圖片轉換。
3.  **性能與限制**：由於採用 CPU 運算及較小的 Whisper 模型，字幕提取、章節劃分及 AI 問答的速度較慢（例如 18 分鐘視頻處理需 10-15 分鐘，AI 問答耗時約 9 分鐘），且字幕識別可能存在錯別字。
4.  **部署方式**：提供 Python 源碼及 Bat 腳本兩種啟動方式，首次運行需配置環境（約 10-20 分鐘），後續運行無需重複配置。
5.  **開源狀態**：項目已開源至 GitHub，包含源碼、啟動腳本及部署說明。

## 詳細大綱

### 一、 工具啟動與環境配置
*   **啟動途徑**：
    *   **開發者模式**：直接運行 Python 文件（適合使用 VS Code 等開發工具的用戶）。
    *   **普通用戶模式**：直接運行 Bat 腳本（講者演示採用此方式）。
*   **前置條件**：必須將 Python 3.10 添加到系統環境變量中。
*   **首次運行流程**：
    1.  雙擊 Bat 文件，彈出 CMD 窗口自動進行環境配置。
    2.  等待約 10 到 20 分鐘（取決於電腦與網絡狀況）。
    3.  配置完成後自動打開網頁界面。
*   **注意事項**：首次運行生成的文件不可隨意刪除，否則影響後續啟動；後續運行無需重新配置。

### 二、 在線視頻下載功能
*   **基本操作**：複製視頻鏈接至輸入框，點擊下載。
*   **存儲設置**：可通過「選擇文件夾」按鈕設置本地保存位置。
*   **支援平台**：B站、抖音、小紅書、微博等。
*   **特殊處理（抖音）**：
    *   下載時會彈出窗口自動獲取實時 Cookie 信息。
    *   需等待幾秒後窗口自動關閉，過程中不可手動關閉窗口。

### 三、 視頻處理功能
*   **字幕提取**：
    *   **操作**：點擊 Upload 選擇視頻，點擊「開始提取字幕」。
    *   **技術限制**：採用 CPU 進行提取，速度較慢（例如 18 分鐘視頻約需 10 分鐘）。
    *   **模型限制**：使用相對較小的 Whisper 模型，識別結果可能存在錯別字、音對字不對等瑕疵，但整體內容可理解。
    *   **後續處理**：可下載字幕 TXT 文檔，導入成熟 AI 工具進行二次處理。
*   **自動章節劃分**：
    *   依據提取的字幕對視頻內容進行分析。
    *   自動生成章節與時間範圍（例如 18 分鐘視頻劃分章節約需 15 分鐘）。
*   **關鍵詞定位**：
    *   輸入關鍵詞後，程序自動搜索相關字幕並顯示對應時間點。
    *   用途：快速定位知識點，無需拖動進度條。
*   **AI 問答功能**：
    *   **基礎**：基於本地 Ollama 大模型。
    *   **功能**：結合視頻字幕內容回答相關問題。
    *   **限制**：採用 CPU 推理，速度較慢（問題耗時約 9 分鐘）；效果受模型本身及電腦硬件影響。
    *   **優勢**：完全本地運行，無需調用在線 API，無網絡時可救急。

### 四、 圖片格式轉換功能
*   **支援格式**：JPG、PNG、BMP、WebP。
*   **操作方式**：選擇圖片，下拉框選擇目標格式，點擊轉換。
*   **結果驗證**：轉換後的圖片可正常顯示與使用，程序會輸出檢測結果確認無損壞。

### 五、 項目開源與部署說明
*   **開源狀態**：已開源至 GitHub。
*   **資源內容**：完整源碼、Bat 啟動腳本、安裝部署說明（Readme）。
*   **配置要求**：
    1.  基礎功能（在線下載、圖片轉換）：僅需配置 Python 3.10。
    2.  視頻字幕提取功能：需配置 Ollama。
    3.  自動章節劃分與本地 AI 問答功能：需額外安裝並配置 Olama（註：講者口誤）。
*   **獲取方式**：查看評論區置頂的 GitHub 網址。

## 工具 / 模型 / 名詞整理

*   **開發/運行環境**：Python 3.10, VS Code, CMD (命令提示字元)
*   **腳本類型**：Bat 腳本
*   **支援下載平台**：B站 (Bilibili), 抖音, 小紅書, 微博
*   **字幕處理模型**：Whisper 模型
*   **本地大模型服務**：Ollama (講者口誤提及為 Olama)
*   **代碼托管平台**：Github
*   **文件格式**：JPG, PNG, BMP, WebP, TXT

## 操作流程整理

1.  **環境準備**：確保 Python 3.10 已加入系統環境變量。
2.  **啟動工具**：
    *   雙擊 Bat 文件（或運行 Python 文件）。
    *   等待 CMD 窗口完成環境配置（首次約 10-20 分鐘）。
    *   瀏覽器自動打開工具界面。
3.  **視頻下載**：
    *   複製視頻鏈接。
    *   設置本地保存路徑。
    *   點擊下載（抖音需等待 Cookie 自動獲取窗口關閉）。
4.  **視頻處理**：
    *   **提取字幕**：Upload 視頻 -> 點擊「開始提取字幕」-> 等待 CPU 運算完成。
    *   **自動分章**：基於字幕分析，生成章節與時間範圍。
    *   **關鍵詞定位**：輸入關鍵詞 -> 查看對應時間點。
    *   **AI 問答**：基於本地 Ollama 模型，結合字幕內容回答問題。
5.  **圖片轉換**：選擇圖片 -> 選擇目標格式 -> 點擊轉換 -> 驗證結果。

## 值得注意的限制或風險

1.  **處理速度慢**：由於採用 CPU 運算及較小的 Whisper 模型，字幕提取、章節劃分及 AI 問答耗時較長（例如 18 分鐘視頻處理需 10-15 分鐘，AI 問答耗時約 9 分鐘）。
2.  **識別準確性**：字幕識別可能存在錯別字、音對字不對等瑕疵，整體內容雖可理解但非完美。
3.  **環境依賴**：首次運行需配置環境，且生成的文件不可隨意刪除，否則影響後續啟動。
4.  **抖音下載限制**：需處理 Cookie，過程中不可手動關閉彈出窗口。
5.  **硬件依賴**：AI 問答效果受模型本身及電腦硬件影響。

## 逐字稿辨識疑點

*   **segment 47: rapid_semantic_review — 全文速讀上下文判斷；尚未回聽或交叉比對**
*   **segment 102: rapid_semantic_review — 全文速讀上下文判斷；尚未回聽或交叉比對**
*   **「Bet腳本」**：講者口誤，根據上下文應指「Bat 腳本」。
*   **「Bet文件」**：講者口誤，根據上下文應指「Bat 文件」。
*   **「選擇文件加」**：講者口誤，根據上下文應指「選擇文件夾」。
*   **「Olama」**：講者口誤，根據上下文及常見本地大模型服務，應指「Ollama」。
*   **「音對、字不對」**：描述字幕識別錯誤類型，語意稍顯模糊，保留原樣。

## 可延伸追問

1.  該工具對於不同長度的視頻，其 CPU 運算時間是否有線性增長的規律？
2.  若更換更大的 Whisper 模型或 GPU 加速，是否能顯著提升字幕提取的準確率與速度？
3.  抖音下載時的 Cookie 獲取機制是否穩定？若抖音 API 變更，工具是否需要頻繁更新？
4.  本地 Ollama 大模型的具體參數配置建議為何，以平衡 AI 問答的速度與準確性？
5.  該開源項目在 GitHub 上的活躍度及社區支持情況如何？